基于心理声学客观参数的变速器质量评价方法技术

本发明专利技术公开了一种基于心理声学客观参数的变速器质量评价方法，先基于机器学习算法搭建信号评价模型，再对信号评价模型进行训练和测试，然后利用信号评价模型对待测变速器进行质量评价；所述信号评价模型采用如下步骤进行训练和测试：A、采集振动噪声信号并标注标签；B、提取信号特征；C、建立训练数据集和测试数据集；D、对信号评价模型进行训练；E、对信号评价模型进行测试；统计信号评价模型的识别准确率，若识别准确率低于设定的识别准确率，重复步骤D～E，直到识别准确率高于设定的识别准确率。本发明专利技术具有评判结果客观准确，有利于降低检测人员劳动强度，降低检测成本等优点。

【技术实现步骤摘要】
基于心理声学客观参数的变速器质量评价方法
本专利技术涉及变速器检测
，特别的涉及一种基于心理声学客观参数的变速器质量评价方法。
技术介绍
传动系作为汽车的重要总成，发挥着将动力从发动机传给驱动车轮的重要作用。其中变速器位于发动机的输出端，其功用是改变传动比，实现倒车以及利用空档中断动力传递。汽车总成投诉量的统计数据表明，传动系投诉量占总投诉量的25.88％，排名第二。变速器质量问题直接关乎汽车行驶性能，这是与乘员的生命安全需求紧密联系的。质量低劣的产品不仅会危害乘员生命健康和财产损失，还会损害品牌价值，浪费企业生产成本。除此之外，变速器作为传动系中的重要部件，其啸叫、敲击等NVH(Noise,Vibration,Harness)问题严重影响着用户的舒适性体验。为减少此类事件的发生，保障汽车安全性、可靠性、经济性、舒适性，研究变速器NVH质量评价系统，是在变速器这一零部件水平保证汽车整体设计、制造、装配质量，提高用户和市场认可度，从而提高经济效益的最后一道防线。目前，企业研发的变速器NVH质量评价系统已经可以做到实时检测被试件振动噪声信号的多种分析指标对比，并有专业听音人员进行听音、评判，从而在振动、声音的不同指标上确保出厂变速器质量合格。但是有人员参与的变速器下线检测台存在很大痛点：第一，人对声音的感觉是主观的，受个体差异的影响较大，且长时间工作会导致疲劳，造成评判不准或存在误差；第二，下线检测台检测分析的振动噪声信号统计指标由于检测精度的需要而过于严苛，在弱故障或复合故障的异常情况下，具有大量噪声的非平稳振动噪声信号导致此检测任务更具挑战性，使得检测台存在一大部分合格的产品被当做“不合格”处理；第三，人力成本对于企业花费较大，尽可能的减少人的参与，使用机器、程序替代人的重复劳动势在必行。因此，为了满足企业对于检测台识别精度的需求，降低识别误差率，为企业节省成本，研究下线检测台振动噪声信号识别显得尤为重要。目前广泛采用的变速器NVH故障识别方法是在人工智能理论支持下的专家系统中对振动噪声等各类信号进行分析。虽然在学术成果中有很多的检测指标，但是只有一小部分被应用到了专家系统中。这是由于工业检测中需要提供针对不同零部件、在不同故障级别的状态监测统计指标，这就需要将状态监测指标具体化。变速器是复杂的旋转机械，其发生故障时，以非平稳信号和非高斯分布信号为主，如何从非平稳信号中提取关键的故障信息成为了变速器故障诊断的关键。常见的故障诊断流程主要分为信号采集、特征提取、特征选择和融合、故障识别四部分。在第一阶段，信号采集主要采用振动、噪声、温度、精密检测等方式。在第二、三阶段，信号处理方式是否相同，故障形式是否相同，都会导致最后指标量的较大差异，这就使得研究特征提取变得有重要意义。在最后阶段，故障识别主要依据提取的特征信息、先前的知识、经验等做出判断。虽然特征提取方法在理论上已经取得了丰富的成果，但是对于工业的大批量应用，仍然存在很多问题：由于特征提取是由人直接参与的，主观性较强，基于统计分析导致工作量较大，特征提取质量的好坏也会直接关系到故障识别的准确率，基于经验的判断也会导致学习门槛增加以及较为严重的判断失误。随着计算机硬件水平和信息处理技术的不断发展，研究者们逐渐从“设计特征”转向“特征学习”，即研究机器自动学习故障特征的智能诊断技术成为新的研究趋势。一些研究者通过将成熟、简单的特征提取技术结合日新月异的机器学习算法，也在部分领域取得了较好的识别精度。心理声学参数是描述不同声音信号所造成主观感受差别程度的客观物理量，采用心理声学客观参数分析声信号，可以定量分析听觉感受的差别，消除个人主观感受的影响。但是，如何通过心理声学客观参数对变速器质量进行评价成为亟待解决的问题。
技术实现思路
针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种评判结果客观准确，有利于降低检测人员劳动强度，降低检测成本的基于心理声学客观参数的变速器质量评价方法。为了解决上述技术问题，本专利技术采用了如下的技术方案：一种基于心理声学客观参数的变速器质量评价方法，其特征在于，先基于机器学习算法搭建信号评价模型，再对信号评价模型进行训练和测试，然后利用信号评价模型对待测变速器进行质量评价；所述信号评价模型采用如下步骤进行训练和测试：A、采集振动噪声信号并标注标签：将变速器安装在测试台架上，在非稳态工况下，在线实时采集变速器运行过程中的振动噪声信号，同时，由听音人员进行测试听音，并根据测试听音结果将采集到的振动噪声信号标注标签，分别为合格标签或不合格标签，其中，不合格标签具体包括齿轮磕碰伤标签、输入轴磕碰伤标签、拨叉干涉标签、啸叫标签和其他不合格标签；B、提取信号特征：将采集到的振动噪声信号进行数据处理，获取振动噪声信号的心理声学参数，并将步骤A中对振动噪声信号标注的标签标注在对应的心理声学参数上；C、建立训练数据集和测试数据集：将标注标签的心理声学参数分成两组，分别建立心理声学参数训练数据集和心理声学参数测试数据集；D、对信号评价模型进行训练：将心理声学参数训练数据集及对应标签输入到所述信号评价模型中，训练机器识别不同的心理声学参数和对应标签；E、对信号评价模型进行测试：从心理声学参数测试数据集中随机抽取心理声学参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的心理声学参数的对应标签进行比较，若二者一致则表示识别准确，否则为识别错误；统计信号评价模型的识别准确率，若识别准确率低于设定的识别准确率，重复步骤D～E，直到识别准确率高于设定的识别准确率。进一步的，所述步骤B中，所述心理声学参数包括语音干扰水平、信号总响度和尖锐度，并将步骤A中对振动噪声信号标注的标签标注在对应的所述语音干扰水平、信号总响度和尖锐度上；所述步骤C中，将标注标签的语音干扰水平、信号总响度和尖锐度分别建立语音干扰水平数据集、信号总响度数据集和尖锐度数据集；并将所述语音干扰水平数据集、信号总响度数据集和尖锐度数据集分别分成两组，建立语音干扰水平训练数据集、语音干扰水平测试数据集、信号总响度训练数据集、信号总响度测试数据集、尖锐度训练数据集和尖锐度测试数据集；所述步骤D中，将语音干扰水平训练数据集中的语音干扰水平参数和对应标签输入到所述信号评价模型中，训练机器识别不同的语音干扰水平参数和对应标签；将信号总响度训练数据集中的信号总响度参数和对应标签输入到所述信号评价模型中，训练机器识别不同的信号总响度参数和对应标签；将尖锐度训练数据集中的尖锐度参数和对应标签输入到所述信号评价模型中，训练机器识别不同的尖锐度参数和对应标签；所述步骤E中，从语音干扰水平测试数据集中随机抽取语音干扰水平参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的语音干扰水平参数的对应标签进行比较，统计信号评价模型对语音干扰水平参数的识别准确率；从信号总响度测试数据集中随机抽取信号总响度参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的信号总响度参数的对应标签进行比较，统计信号评价模型对信号总响度参数的识别准确率；从尖锐度测试数据集中随机抽取尖锐度参数输入到所述信号评价模型中，由信号评价模型识别并输出标签本文档来自技高网...

【技术保护点】
1.一种基于心理声学客观参数的变速器质量评价方法，其特征在于，先基于机器学习算法搭建信号评价模型，再对信号评价模型进行训练和测试，然后利用信号评价模型对待测变速器进行质量评价；所述信号评价模型采用如下步骤进行训练和测试：A、采集振动噪声信号并标注标签：将变速器安装在测试台架上，在非稳态工况下，在线实时采集变速器运行过程中的振动噪声信号，同时，由听音人员进行测试听音，并根据测试听音结果将采集到的振动噪声信号标注标签，分别为合格标签或不合格标签，其中，不合格标签具体包括齿轮磕碰伤标签、输入轴磕碰伤标签、拨叉干涉标签、啸叫标签和其他不合格标签；B、提取信号特征：将采集到的振动噪声信号进行数据处理，获取振动噪声信号的心理声学参数，并将步骤A中对振动噪声信号标注的标签标注在对应的心理声学参数上；C、建立训练数据集和测试数据集；将标注标签的心理声学参数分成两组，分别建立心理声学参数训练数据集和心理声学参数测试数据集；D、对信号评价模型进行训练：将心理声学参数训练数据集及对应标签输入到所述信号评价模型中，训练评价模型识别不同的心理声学参数和对应标签；E、对信号评价模型进行测试：将心理声学参数测试数据集输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的心理声学参数的对应标签进行比较，若二者一致则表示识别准确，否则为识别错误；统计信号评价模型的识别准确率，若识别准确率低于设定的识别准确率，重复步骤D～E，直到识别准确率高于设定的识别准确率。...

【技术特征摘要】
1.一种基于心理声学客观参数的变速器质量评价方法，其特征在于，先基于机器学习算法搭建信号评价模型，再对信号评价模型进行训练和测试，然后利用信号评价模型对待测变速器进行质量评价；所述信号评价模型采用如下步骤进行训练和测试：A、采集振动噪声信号并标注标签：将变速器安装在测试台架上，在非稳态工况下，在线实时采集变速器运行过程中的振动噪声信号，同时，由听音人员进行测试听音，并根据测试听音结果将采集到的振动噪声信号标注标签，分别为合格标签或不合格标签，其中，不合格标签具体包括齿轮磕碰伤标签、输入轴磕碰伤标签、拨叉干涉标签、啸叫标签和其他不合格标签；B、提取信号特征：将采集到的振动噪声信号进行数据处理，获取振动噪声信号的心理声学参数，并将步骤A中对振动噪声信号标注的标签标注在对应的心理声学参数上；C、建立训练数据集和测试数据集；将标注标签的心理声学参数分成两组，分别建立心理声学参数训练数据集和心理声学参数测试数据集；D、对信号评价模型进行训练：将心理声学参数训练数据集及对应标签输入到所述信号评价模型中，训练评价模型识别不同的心理声学参数和对应标签；E、对信号评价模型进行测试：将心理声学参数测试数据集输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的心理声学参数的对应标签进行比较，若二者一致则表示识别准确，否则为识别错误；统计信号评价模型的识别准确率，若识别准确率低于设定的识别准确率，重复步骤D～E，直到识别准确率高于设定的识别准确率。2.如权利要求1所述的基于心理声学客观参数的变速器质量评价方法，其特征在于，所述步骤B中，所述心理声学参数包括语音干扰水平、信号总响度和尖锐度，并将步骤A中对振动噪声信号标注的标签标注在对应的所述语音干扰水平、信号总响度和尖锐度上；所述步骤C中，将标注标签的语音干扰水平、信号总响度和尖锐度分别建立语音干扰水平数据集、信号总响度数据集和尖锐度数据集；并将所述语音干扰水平数据集、信号总响度数据集和尖锐度数据集分别分成两组，建立语音干扰水平训练数据集、语音干扰水平测试数据集、信号总响度训练数据集、信号总响度测试数据集、尖锐度训练数据集和尖锐度测试数据集；所述步骤D中，将语音干扰水平训练数据集中的语音干扰水平参数和对应标签输入到所述信号评价模型中，训练机器识别不同的语音干扰水平参数和对应标签；将信号总响度训练数据集中的信号总响度参数和对应标签输入到所述信号评价模型中，训练机器识别不同的信号总响度参数和对应标签；将尖锐度训练数据集中的尖锐度参数和对应标签输入到所述信号评价模型中，训练机器识别不同的尖锐度参数和对应标签...

【专利技术属性】
技术研发人员：施全，贾书曼，吴小珊，郭栋，陈绮丹，石晓辉，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：重庆,50